قیمت و API مدل Llama 4 Maverick در ایران
meta-llama/llama-4-maverick
شارژ بر اساس مصرف واقعی همان درخواست. قیمت‌ها با تغییر شرایط بازار به‌روز می‌شوند. ورودی کش‌شده: ۵۸٬۸۵۷ تومان به‌ازای هر ۱M توکن.قیمت‌ها و شارژ
کد آمادهٔ Llama 4 Maverick: خواندن تصویر و استخراج داده
نمونه بر اساس قابلیت‌های همین مدل انتخاب شده و با کلید خودت بدون تغییر دیگری اجرا میشود.
# tip: a data URI works too — base64 the file and prefix it with data:image/jpeg;base64,
curl https://api.uttapen.ir/v1/chat/completions \
-H "Authorization: Bearer sk-up-…" \
-H "Content-Type: application/json" \
-d '{
"model": "meta-llama/llama-4-maverick",
"messages": [{
"role": "user",
"content": [
{"type": "text", "text": "شمارهٔ فاکتور و مبلغ کل را فقط به‌صورت JSON بده"},
{"type": "image_url", "image_url": {"url": "https://example.com/factor.jpg"}}
]
}]
}'import base64, json
from openai import OpenAI
client = OpenAI(base_url="https://api.uttapen.ir/v1", api_key="sk-up-…")
img = base64.b64encode(open("factor.jpg", "rb").read()).decode()
resp = client.chat.completions.create(
model="meta-llama/llama-4-maverick",
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "شمارهٔ فاکتور، تاریخ و مبلغ کل را در JSON برگردان"},
{"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{img}"}},
],
}],
response_format={"type": "json_object"},
)
print(json.loads(resp.choices[0].message.content))import OpenAI from "openai";
import { readFileSync } from "node:fs";
const client = new OpenAI({ baseURL: "https://api.uttapen.ir/v1", apiKey: "sk-up-…" });
const img = readFileSync("factor.jpg").toString("base64");
const resp = await client.chat.completions.create({
model: "meta-llama/llama-4-maverick",
messages: [{
role: "user",
content: [
{ type: "text", text: "شمارهٔ فاکتور، تاریخ و مبلغ کل را در JSON برگردان" },
{ type: "image_url", image_url: { url: `data:image/jpeg;base64,${img}` } },
],
}],
response_format: { type: "json_object" },
});
console.log(JSON.parse(resp.choices[0].message.content));Llama 4 Maverick برای چه کاری خوب است؟
شناسهٔ Llama 4 Maverick در API ما «meta-llama/
قابلیت‌هایی که در همین شناسه فعال است: عکس و اسکرین‌شات را مستقیم می‌خواند، پس برای فاکتور و فرم فارسی گزینهٔ واقعی است؛ tool calling دارد، یعنی می‌تواند تابع‌های خودت را با آرگومان درست صدا بزند؛ با response_format خروجی JSON معتبر می‌دهد و مستقیم به کد وصل میشود. همهٔ این‌ها با همان پارامترهای استاندارد SDK رسمی OpenAI کار می‌کنند و کد اختصاصی لازم ندارند.
هر ۱ میلیون توکن ورودی ۱۲۱٬۱۷۷ تومان و هر ۱ میلیون توکن خروجی ۳۴۶٬۲۱۹ تومان است؛ خروجی ۲٫۹ برابر ورودی قیمت دارد، پس کوتاه‌کردن پاسخ بیشتر از کوتاه‌کردن پرامپت صرفه دارد. cache ورودی دارد: توکن‌های تکراری متن ورودی با ۵۸٬۸۵۷ تومان / ۱M حساب می‌شوند، که برای پرامپت سیستمی بلند تفاوت بزرگی است. شارژ نهایی همیشه بر اساس مصرف واقعی همان درخواست است، نه برآورد، و درخواستی که ناموفق باشد هزینهای ندارد.
نزدیک‌ترین گزینه با همین قابلیت‌ها از تأمین‌کنندهٔ دیگر Qwen3 VL 30B A3B Thinking است: Llama 4 Maverick تقریباً هم‌قیمت آن تمام میشود و حداکثر طول متنش بیشتر است. هر دو با همان کلید و همان کد کار می‌کنند، پس عوض‌کردن‌شان فقط تغییر یک رشته است.
برای اینکه عدد قابل تصور شود: با ۱۰۰ هزار تومان اعتبار، حدود ۱۶۴ درخواست ۱٬۰۰۰ کلمهای روی Llama 4 Maverick جا میشود، و هر ۱٬۰۰۰ تومان تقریباً ۱٬۶۴۵ کلمه رفت‌وبرگشت می‌خرد. اگر پردازشی یک میلیون توکن ورودی و یک میلیون توکن خروجی داشته باشد، کل آن ۴۶۷٬۳۹۶ تومان میشود. پر کردن کامل پنجرهٔ ۵۲۴٬۲۸۸ توکنی این مدل فقط از سمت ورودی ۶۳٬۵۳۲ تومان هزینه دارد، پس تاریخچهٔ گفتگو را بی‌دلیل بلند نگه ندار.
نزدیک‌ترین هم‌خانوادهٔ این مدل «meta-llama/
Meta Llama در کاتالوگ ما ۸ مدل دارد؛ ارزان‌ترین‌شان Llama 3.1 8B Instruct با ۵۹ تومان و گران‌ترین Llama 3.1 70B Instruct با ۶۴۸ تومان برای هر ۱٬۰۰۰ کلمه. از پارامترهای کم‌تکرار، این مدل logit_bias، logprobs، presence_penalty، repetition_penalty، top_k، top_logprobs را می‌پذیرد — همه از طریق همان بدنهٔ استاندارد درخواست. در عوض include_reasoning، reasoning را که بیشتر مدلها دارند پشتیبانی نمی‌کند، پس اگر کدت به آن‌ها تکیه دارد قبل از جابه‌جایی تست کن. از نظر طول متن نزدیک‌ترین گزینه از تأمین‌کنندهٔ دیگر Inkling با ۵۲۴٬۲۸۸ توکن است.
بهترین جای استفاده‌اش: کار پرحجم مثل دسته‌بندی، برچسب‌گذاری و خلاصه‌سازی انبوه، استخراج متن و داده از تصویر، ایجنت‌هایی که به API و دیتابیس وصل می‌شوند، استخراج داده با اسکیمای مشخص، تحلیل سند یا کدبیس بلند در یک درخواست.
Llama 4 Maverick 17B Instruct (128E) is a high-capacity multimodal language model from Meta, built on a mixture-of-experts (MoE) architecture with 128 experts and 17 billion active parameters per forward...
سه کار واقعی، با قیمت همین مدل
اعداد از همان قیمت‌های بالا حساب شده‌اند و با تغییر قیمت مدل تغییر می‌کنند.
| کار | توکن | هزینه |
|---|---|---|
| یک نوبت گفتگو با تاریخچهٔ متوسط | ۱٬۵۰۰ ورودی + ۴۰۰ خروجی | ۳۲۰ تومان |
| خلاصه‌کردن سند ده‌صفحه‌ای | ۴٬۰۰۰ ورودی + ۶۰۰ خروجی | ۶۹۲ تومان |
| دسته‌بندی هزار ردیف کوتاه | ۱۲۰٬۰۰۰ ورودی + ۲۰٬۰۰۰ خروجی | ۲۱٬۴۶۶ تومان |
تاریخچهٔ قیمت
| تاریخ | ورودی (تومان/۱M) | خروجی (تومان/۱M) |
|---|---|---|
| ۱۴ آبان ۱۴۰۵ | ۱۲۱٬۱۷۷ | ۳۴۶٬۲۱۹ |
| ۱۴ مهر ۱۴۰۵ | ۶۴٬۹۱۶ | ۲۲۵٬۹۰۸ |
| ۳۱ شهریور ۱۴۰۵ | ۶۴٬۹۱۶ | ۲۲۵٬۹۰۸ |
| ۳۰ شهریور ۱۴۰۵ | ۶۹٬۲۴۴ | ۲۷۶٬۹۷۵ |
| ۲۳ شهریور ۱۴۰۵ | ۶۴٬۹۱۶ | ۲۲۵٬۹۰۸ |
| ۱۶ شهریور ۱۴۰۵ | ۶۹٬۲۴۴ | ۲۴۰٬۹۶۹ |
هر تغییر قیمت این مدل ثبت میشود؛ ستون تومان با قیمت امروز محاسبه شده است.
سؤال‌های پرتکرار
- چطور با Llama 4 Maverick در ایران کار کنم؟
- در یوتاپن ثبتنام کن، کیف پول را تومانی شارژ کن، کلید API بساز و در SDK رسمی OpenAI فقط base_url را به https:/
/ api.uttapen.ir/ v1 و model را به «meta-llama/ llama-4-maverick» تغییر بده. بقیهٔ کدت دستنخورده میماند. - قیمت Llama 4 Maverick به تومان چقدر است؟
- هر ۱ میلیون توکن ورودی ۱۲۱٬۱۷۷ تومان و هر ۱ میلیون توکن خروجی ۳۴۶٬۲۱۹ تومان؛ یک درخواست ۱٬۰۰۰ کلمهای تقریباً ۶۰۸ تومان. شارژ بر اساس مصرف واقعی همان درخواست است و درخواست ناموفق هزینهای ندارد.
- Llama 4 Maverick چند توکن ورودی میگیرد؟
- تا ۵۲۴٬۲۸۸ توکن در هر درخواست؛ برای متن فارسی حدود ۳۹۳ هزار کلمه. حداکثر طول پاسخ هم ۳۲٬۷۶۸ توکن است.
- آیا Llama 4 Maverick استریم و tool calling را پشتیبانی میکند؟
- استریم (stream=true) روی همهٔ مدلها فعال است. این مدل tool calling را با همان قالب OpenAI پشتیبانی میکند. ورودی تصویر با image_url (data URI یا آدرس عمومی) پذیرفته میشود. خروجی ساختیافته با response_format هم کار میکند.